Fugu-MT 論文翻訳(概要): Assessing AI-Based Code Assistants in Method Generation Tasks

論文の概要: Assessing AI-Based Code Assistants in Method Generation Tasks

arxiv url: http://arxiv.org/abs/2402.09022v1
Date: Wed, 14 Feb 2024 08:52:45 GMT
ステータス: 処理完了
システム内更新日: 2024-02-15 16:18:26.348591
Title: Assessing AI-Based Code Assistants in Method Generation Tasks
Title（参考訳）: メソッド生成タスクにおけるAIベースのコードアシスタントの評価
Authors: Vincenzo Corso, Leonardo Mariani, Daniela Micucci and Oliviero Riganelli
Abstract要約: 今回の調査では、メソッド生成タスクにおいて、GitHub Copilot、Tabnine、ChatGPT、Google Bardの4つのAIベースのコードアシスタントを比較した。その結果、コードアシスタントは相補的な機能を持つが、適切なコードを生成することは滅多にない。
参考スコア（独自算出の注目度）: 5.32539007352208
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: AI-based code assistants are increasingly popular as a means to enhance productivity and improve code quality. This study compares four AI-based code assistants, GitHub Copilot, Tabnine, ChatGPT, and Google Bard, in method generation tasks, assessing their ability to produce accurate, correct, and efficient code. Results show that code assistants are useful, with complementary capabilities, although they rarely generate ready-to-use correct code.
Abstract（参考訳）: AIベースのコードアシスタントは、生産性を高め、コード品質を改善する手段として、ますます人気が高まっている。今回の研究では、メソッド生成タスクにおいて、GitHub Copilot、Tabnine、ChatGPT、Google Bardの4つのAIベースのコードアシスタントを比較し、正確で正確で効率的なコードを生成する能力を評価する。その結果、コードアシスタントは相補的な機能を持つが、適切なコードを生成することは滅多にない。

関連論文リスト

Using AI-Based Coding Assistants in Practice: State of Affairs, Perceptions, and Ways Forward [9.177785129949]
我々は、AIアシスタントの使用方法に関する大規模な調査を行った。我々は5つの幅広い活動について481人のプログラマの意見を収集した。その結果,AIアシスタントの利用状況は,活動やステージによって異なることがわかった。
論文参考訳（メタデータ） (2024-06-11T23:10:43Z)
How Far Have We Gone in Stripped Binary Code Understanding Using Large Language Models [51.527805834378974]
バイナリコード理解におけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
論文参考訳（メタデータ） (2024-04-15T14:44:08Z)
Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
コードインテリジェンスタスクにおける即時学習の有効性について検討する。既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
論文参考訳（メタデータ） (2024-03-20T13:37:00Z)
Whodunit: Classifying Code as Human Authored or GPT-4 Generated -- A case study on CodeChef problems [0.13124513975412253]
コードスタイメトリーと機械学習を用いて、GPT-4の生成したコードと人間によるコードとを区別する。我々のデータセットは、CodeChefの人間認可ソリューションと、GPT-4で生成されたAI認可ソリューションから構成される。本研究は, GPT-4生成コードと人為的なコードとを区別する上で, コードスタイメトリーは有望なアプローチであることを示す。
論文参考訳（メタデータ） (2024-03-06T19:51:26Z)
Generating Java Methods: An Empirical Assessment of Four AI-Based Code Assistants [5.32539007352208]
私たちは、人気のあるAIベースのコードアシスタントであるGitHub Copilot、Tabnine、ChatGPT、Google Bardの4つの有効性を評価します。その結果、Copilotは他のテクニックよりも正確であることが多いが、他のアプローチによって完全に仮定されるアシスタントは存在しないことが判明した。
論文参考訳（メタデータ） (2024-02-13T12:59:20Z)
AI for Low-Code for AI [8.379047663193422]
LowCoderは、ビジュアルプログラミングインターフェースとAI駆動の自然言語インターフェースの両方をサポートするAIパイプラインを開発するための、最初のローコードツールである。私たちは、LowCoderを使用して4つのMLパイプラインを実装することで、さまざまなレベルのAI専門知識を持つ20人の開発者をタスクします。参加者はLowCoder_NLを使用して、75%のタスクで新しい演算子を発見しました。
論文参考訳（メタデータ） (2023-05-31T16:44:03Z)
Chatbots As Fluent Polyglots: Revisiting Breakthrough Code Snippets [0.0]
この研究は、AI駆動のコードアシスタントを使用して、現代技術を形成する影響力のあるコンピュータコードの選択を分析する。この研究の最初の貢献は、過去50年で最も重要なコードの進歩の半分を調査することであった。
論文参考訳（メタデータ） (2023-01-05T23:17:17Z)
RMBench: Benchmarking Deep Reinforcement Learning for Robotic Manipulator Control [47.61691569074207]
強化学習は、高次元の感覚入力から実際の複雑なタスクを解決するために応用される。生の知覚信号表現における深層学習の最近の進歩ロボット操作のための最初のベンチマークであるRMBenchを紹介する。
論文参考訳（メタデータ） (2022-10-20T13:34:26Z)
Enhancing Semantic Code Search with Multimodal Contrastive Learning and Soft Data Augmentation [50.14232079160476]
コード検索のためのマルチモーダルコントラスト学習とソフトデータ拡張を用いた新しい手法を提案する。我々は,6つのプログラミング言語を用いた大規模データセットにおけるアプローチの有効性を評価するために,広範囲な実験を行った。
論文参考訳（メタデータ） (2022-04-07T08:49:27Z)
ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-03-15T08:25:08Z)
Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。私たちのベンチマークには1万の問題が含まれています。 GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文参考訳（メタデータ） (2021-05-20T17:58:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。